Instalação dos pacotes
install.packages(c(
"spdep", "spatialreg", "spatstat.core", "spatstat.geom", "gstat",
"sp", "sf", "rgdal", "raster", "geoR", "dplyr"
))14 a 17 de junho de 2026
Gean Pereira Damaceno
Departamento de Estatística - UFLA
Introdução
📍 Este minicurso apresenta métodos de análise espacial em três contextos principais:
🎯 O público-alvo inclui estudantes e profissionais com conhecimentos básicos em regressão e estatística espacial.
📘 O material é baseado no livro Análise de Dados Espaciais com Aplicações em R (Scalon, 2024) e conta com exemplos práticos e exercícios ao final de cada seção.
Este minicurso apresenta métodos para análises espacial em três contextos: dados agregados por áreas, processos pontuais e geoestatística. O público-alvo são todos com conhecimentos básicos em regressão e estatística espacial. O material é baseado no livro “Análise de Dados Espaciais com Aplicações em R” (Scalon, 2024) e inclui exemplos práticos e exercícios para cada seção.
Instale os pacotes necessários em uma sessão R (ajuste conforme sua versão):
Além disso, instale o Quarto para renderizar este material.
Com quarto instalado, renderize o livro (após todas as alterações):
Cada seção deste livro está em seu próprio arquivo .qmd. Navegue pelos capítulos usando o menu à esquerda.
spatstat, exercícios.Seção B — Dados de Áreas
Ajuste um modelo OLS CRIME ~ INC + HOVAL com columbus. Calcule Moran’s I nos resíduos e interprete. (Dica: lm.morantest())
Ajuste um SAR e um SEM para os mesmos dados. Compare os valores de AIC e interprete rho e lambda.
Seção C — Processos Pontuais
Usando bei, ajuste ppm(bei ~ elev + grad, data = bei.extra). Quais covariáveis são significativas? Faça um P-P plot para avaliar ajuste.
Ajuste um kppm(..., clusters = "LGCP") e compare os parâmetros do campo aleatório (sigma2 e escala) com o modelo Poisson.
Seção D — Geoestatística
Em meuse, ajuste uma tendência de log(zinc) ~ sqrt(dist) e calcule o variograma dos resíduos. Ajuste um modelo exponencial e reporte nugget, sill e range.
Realize krigagem universal para predizer log(zinc) em uma grade e produza um mapa de predição e outro de erro padrão.
Seção E — Espaço-Temporal (exercício conceitual)
Seção B — Dados de Áreas (exemplo de solução)
# OLS e Moran
data(columbus)
b <- poly2nb(columbus)
listw <- nb2listw(nb, style = "W")
modelo_ols <- lm(CRIME ~ INC + HOVAL, data = columbus)
lm.morantest(modelo_ols, listw)
# SAR e SEM
modelo_sar <- lagsarlm(CRIME ~ INC + HOVAL, data = columbus, listw = listw)
modelo_sem <- errorsarlm(CRIME ~ INC + HOVAL, data = columbus, listw = listw)
AIC(modelo_ols, modelo_sar, modelo_sem)Seção C — Processos Pontuais (exemplo de solução)
library(spatstat)
data(bei); data(bei.extra)
modelo_ppm <- ppm(bei ~ elev + grad, data = bei.extra)
summary(modelo_ppm)
modelo_lgcp <- kppm(bei ~ elev + grad, data = bei.extra, clusters = "LGCP")
summary(modelo_lgcp)Seção D — Geoestatística (exemplo de solução)
library(gstat); library(sp)
data(meuse); coordinates(meuse)=~x+y
v <- variogram(log(zinc) ~ sqrt(dist), meuse)
vm <- fit.variogram(v, vgm(psill=1, model="Exp", range=300, nugget=0))
vm
# Krigagem (exemplo):
# meuse.grid <- ... (defina grade)
# kr <- krige(log(zinc) ~ sqrt(dist), meuse, meuse.grid, model = vm)script_com_covariaveis.R: scripts com exemplos prontos de spatstat e kppm.Script_geo_estatistica.R: scripts de variograma e krigagem para meuse.dados/: contêm Area_Jernimo_Contorno.kml e outros dados de exemplo.Coloque os scripts no mesmo diretório do projeto e execute bloco-a-bloco no RStudio para reproduzir resultados. Se quiser, eu posso gerar arquivos scripts/ com versões prontas das soluções.